上一篇文章末尾给出了LangChain的简单调用例子当然LangChain还支持更丰富的功能设置接下来就介绍如何使用LangChain封装AI执行链以实现更复杂的功能调用。一、构造大模型实例在构造大模型实例之前要先添加下面的导包语句表示引入LangChain的大模型工具OllamaLLMfrom langchain_ollama import OllamaLLM在OllamaLLM的构造方法中model参数是必填的要指定当前引用的大模型名称如下# 连接本地离线大模型Ollama llm OllamaLLM(modelqwen2:1.5b)除了model参数以外OllamaLLM还提供了多个可选参数帮助开发者定制个性化的大模型调用需求。其中常用的核心参数说明如下model: 模型名称比如qwen:7b、llama3、deepseek-r1等等。base_url: 服务地址默认的本地地址为http://localhost:11434。temperature: 模型温度即随机性。取值范围0~1默认0.8值越低则越严谨越确定值越高越跳跃越创意。num_ctx: 上下文Token的最大数量默认2048。值越大则能记忆越长的对话内容。num_predict: 回答内容Token的最大数量默认128。值为-1表示不限制输出长度值为-2表示填满上下文跟上下文的Token数一致。keep_alive: 模型常驻内存的时长频繁调用必开默认5m表示5分钟。值为-1表示永久常驻值为0表示用完即关。validate_model_on_init: 初始化时是否校验模型存在与否默认True表示启动程序时检查模型是否存在。比如下面代码构造了一个定制各种参数的大模型实例llm OllamaLLM( modelqwen2:1.5b, base_urlhttp://localhost:11434, temperature0.7, num_ctx4096, num_predict1024, keep_alive-1, validate_model_on_initTrue )二、构建提示词模板在构建提示词模板之前要先添加下面的导包语句表示引入LangChain的提示模板工具PromptTemplatefrom langchain_core.prompts import PromptTemplatePromptTemplate的from_template方法主要输入字符串形式的模板参数字符串的开头为提示词内容末尾为“{input}”表示给输入的问题文字占个位子。比如下面代码构建了一个提示词模板prompt PromptTemplate.from_template( 你是专业助手请简洁回答 {input} )可见上面模板的提示词内容为“你是专业助手请简洁回答”这便告诉大模型回答时要简明扼要不要啰哩叭嗦。同时后面的“{input}”提前在模板中占个位置后续将把用户输入的问题替换掉这个占位符。三、组装 AI 执行链为什么LangChain一定要组装执行链呢想想看按照程序设计的顺序控制流程每次接口调用都经历了三个步骤封装请求内容→执行接口调用→解析应答内容如同下面的顺序调用代码# 无链 → 手写每一步巨繁琐 prompt_text prompt.format(input你的问题) # 1 手动拼模板 response llm.invoke(prompt_text) # 2 手动调模型 result parser.parse(response) # 3 手动解析可见这个接口调用流程被分解成了三行代码有点繁琐。虽然上一行代码的输出参数就是下一行代码的输入参数但也不得不分成三个语句依次调用。于是LangChain引入了执行链的概念把“构建提示词、调用模型、记忆可选、检索可选、解析应答”等操作按顺序串成一条自动流水线只要一次性启动组装好的执行链LangChain就自动跑完全流程无需拆成多条语句来调用。在组装执行链之前要先添加下面的导包语句表示引入LangChain的执行链工具RunnableSequence以及默认的应答内容解析器StrOutputParserfrom langchain_core.runnables import RunnableSequence from langchain_core.output_parsers import StrOutputParser然后编写下面代码串起“构建提示词、调用模型、解析应答”这三个操作chain RunnableSequence( prompt | llm | StrOutputParser() )为了方便起见可省略掉构造方法的工具名称RunnableSequence简化代码如下chain ( prompt | llm | StrOutputParser() )还能进一步省略掉外围的圆括号变成如下的一行代码chain prompt | llm | StrOutputParser()这下清爽多了完全去掉了组装过程中的各种方法调用及其输入输出参数只留下各环节用到的实例名称极大地简化了代码篇幅。四、通过执行链调用离线大模型接下来结合构造大模型实例、构建提示词模板、组装 AI 执行链等三个步骤通过执行链调用实现离线大模型的快速问答功能。在编写Python代码前要先在命令行执行下面的pip安装命令pip install langchain langchain-core langchain-ollama接着在命令行窗口执行下面命令以便启动Ollama并加载离线大模型ollama serve然后编写下面的Python聊天测试代码由用户在控制台输入问题来实现聊天交互from langchain_core.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_ollama import OllamaLLM def main(): # 1. 连接本地Ollama离线模型替换成你本地模型名 llm OllamaLLM( modelqwen2:1.5b, base_urlhttp://127.0.0.1:11434, temperature0.7 # 随机性 0严谨~1创意 ) # 2. 构建对话模板 prompt PromptTemplate.from_template( 你是专业助手请简洁回答 {input} ) # 3. 组装执行链 chain prompt | llm | StrOutputParser() # 4. 循环问答聊天 print( 离线AI聊天助手输入exit退出) while True: user_text input(请输入问题) if user_text.lower() in [exit, quit, 退出]: print(对话结束) break print(AI思考中...) response chain.invoke(user_text) print(fAI回复{response}\n) if __name__ __main__: main()运行上面的Python代码根据提示输入问题内容“LangChain是什么”输出日志结果如下 离线AI聊天助手输入exit退出 请输入问题LangChain是什么 AI思考中... AI回复Langchain 是一个基于 PyTorch 的开源语言模型推理框架用于构建和训练大型的预训练模型。它提供了一个简单的 API 来处理输入数据然后返回文本或代码作为输出。由日志信息发现通过调用LangChain的执行链初步实现了简单的AI对话功能下一篇文章将介绍如何给AI对话添加记忆功能。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
上一篇文章末尾给出了LangChain的简单调用例子当然LangChain还支持更丰富的功能设置接下来就介绍如何使用LangChain封装AI执行链以实现更复杂的功能调用。一、构造大模型实例在构造大模型实例之前要先添加下面的导包语句表示引入LangChain的大模型工具OllamaLLMfrom langchain_ollama import OllamaLLM在OllamaLLM的构造方法中model参数是必填的要指定当前引用的大模型名称如下# 连接本地离线大模型Ollama llm OllamaLLM(modelqwen2:1.5b)除了model参数以外OllamaLLM还提供了多个可选参数帮助开发者定制个性化的大模型调用需求。其中常用的核心参数说明如下model: 模型名称比如qwen:7b、llama3、deepseek-r1等等。base_url: 服务地址默认的本地地址为http://localhost:11434。temperature: 模型温度即随机性。取值范围0~1默认0.8值越低则越严谨越确定值越高越跳跃越创意。num_ctx: 上下文Token的最大数量默认2048。值越大则能记忆越长的对话内容。num_predict: 回答内容Token的最大数量默认128。值为-1表示不限制输出长度值为-2表示填满上下文跟上下文的Token数一致。keep_alive: 模型常驻内存的时长频繁调用必开默认5m表示5分钟。值为-1表示永久常驻值为0表示用完即关。validate_model_on_init: 初始化时是否校验模型存在与否默认True表示启动程序时检查模型是否存在。比如下面代码构造了一个定制各种参数的大模型实例llm OllamaLLM( modelqwen2:1.5b, base_urlhttp://localhost:11434, temperature0.7, num_ctx4096, num_predict1024, keep_alive-1, validate_model_on_initTrue )二、构建提示词模板在构建提示词模板之前要先添加下面的导包语句表示引入LangChain的提示模板工具PromptTemplatefrom langchain_core.prompts import PromptTemplatePromptTemplate的from_template方法主要输入字符串形式的模板参数字符串的开头为提示词内容末尾为“{input}”表示给输入的问题文字占个位子。比如下面代码构建了一个提示词模板prompt PromptTemplate.from_template( 你是专业助手请简洁回答 {input} )可见上面模板的提示词内容为“你是专业助手请简洁回答”这便告诉大模型回答时要简明扼要不要啰哩叭嗦。同时后面的“{input}”提前在模板中占个位置后续将把用户输入的问题替换掉这个占位符。三、组装 AI 执行链为什么LangChain一定要组装执行链呢想想看按照程序设计的顺序控制流程每次接口调用都经历了三个步骤封装请求内容→执行接口调用→解析应答内容如同下面的顺序调用代码# 无链 → 手写每一步巨繁琐 prompt_text prompt.format(input你的问题) # 1 手动拼模板 response llm.invoke(prompt_text) # 2 手动调模型 result parser.parse(response) # 3 手动解析可见这个接口调用流程被分解成了三行代码有点繁琐。虽然上一行代码的输出参数就是下一行代码的输入参数但也不得不分成三个语句依次调用。于是LangChain引入了执行链的概念把“构建提示词、调用模型、记忆可选、检索可选、解析应答”等操作按顺序串成一条自动流水线只要一次性启动组装好的执行链LangChain就自动跑完全流程无需拆成多条语句来调用。在组装执行链之前要先添加下面的导包语句表示引入LangChain的执行链工具RunnableSequence以及默认的应答内容解析器StrOutputParserfrom langchain_core.runnables import RunnableSequence from langchain_core.output_parsers import StrOutputParser然后编写下面代码串起“构建提示词、调用模型、解析应答”这三个操作chain RunnableSequence( prompt | llm | StrOutputParser() )为了方便起见可省略掉构造方法的工具名称RunnableSequence简化代码如下chain ( prompt | llm | StrOutputParser() )还能进一步省略掉外围的圆括号变成如下的一行代码chain prompt | llm | StrOutputParser()这下清爽多了完全去掉了组装过程中的各种方法调用及其输入输出参数只留下各环节用到的实例名称极大地简化了代码篇幅。四、通过执行链调用离线大模型接下来结合构造大模型实例、构建提示词模板、组装 AI 执行链等三个步骤通过执行链调用实现离线大模型的快速问答功能。在编写Python代码前要先在命令行执行下面的pip安装命令pip install langchain langchain-core langchain-ollama接着在命令行窗口执行下面命令以便启动Ollama并加载离线大模型ollama serve然后编写下面的Python聊天测试代码由用户在控制台输入问题来实现聊天交互from langchain_core.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_ollama import OllamaLLM def main(): # 1. 连接本地Ollama离线模型替换成你本地模型名 llm OllamaLLM( modelqwen2:1.5b, base_urlhttp://127.0.0.1:11434, temperature0.7 # 随机性 0严谨~1创意 ) # 2. 构建对话模板 prompt PromptTemplate.from_template( 你是专业助手请简洁回答 {input} ) # 3. 组装执行链 chain prompt | llm | StrOutputParser() # 4. 循环问答聊天 print( 离线AI聊天助手输入exit退出) while True: user_text input(请输入问题) if user_text.lower() in [exit, quit, 退出]: print(对话结束) break print(AI思考中...) response chain.invoke(user_text) print(fAI回复{response}\n) if __name__ __main__: main()运行上面的Python代码根据提示输入问题内容“LangChain是什么”输出日志结果如下 离线AI聊天助手输入exit退出 请输入问题LangChain是什么 AI思考中... AI回复Langchain 是一个基于 PyTorch 的开源语言模型推理框架用于构建和训练大型的预训练模型。它提供了一个简单的 API 来处理输入数据然后返回文本或代码作为输出。由日志信息发现通过调用LangChain的执行链初步实现了简单的AI对话功能下一篇文章将介绍如何给AI对话添加记忆功能。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
